原文传递
基于Transformer网络的长短期交通流量预测技术研究
| 论文题名： | 基于Transformer网络的长短期交通流量预测技术研究 |
| 关键词： | 交通预测;时空预测;深度学习;图神经网络;Transformer网络;注意力机制 |
| 摘要： | 随着城市化的快速发展，交通系统在城市运转中具有越来越重要的作用。随着人口和车辆的不断增长，交通系统承受的压力日益增加。交通系统的高质量运行，对于经济发展起着至关重要的作用。快速发展的人工智能技术使得交通系统的运转日趋智能化，而在智能交通系统的研究中，交通流量预测是基石。然而由于交通状况的动态变化和交通数据的复杂时空相关性，交通预测任务面临诸多困难和挑战。传统的交通预测方法难以有效地利用交通数据之间潜在的相互依赖性，随着深度学习的快速发展，许多基于深度学习的模型被用于解决交通预测问题，但预测精度仍有不足。本文基于Transformer网络，进行长短期交通流量预测技术研究，提出了两种预测模型，取得了更好的交通预测效果。本文主要研究内容如下: 首先,本文提出了一种基于Transformer网络的长短期交通流量预测模型LSTN。该模型同时使用了循环和跳跃循环连接模块以及Transformer网络的多头注意力机制对交通数据的长时期依赖关系进行建模，按照时间临近程度，将长短期交通数据分别进行处理。在真实数据集上的实验表明，模型在长短期交通流量预测任务上均表现出了良好性能，相较于其他现有模型，具有更好的预测精度，特别是对长期交通流量预测，本文所提出方法的性能优势更为显著。 再者，为了更好地建模交通数据的时空依赖关系，本文在LSTN的基础之上，进一步提出了一种基于Transformer时空卷积网络的增强型交通流量预测模型TE-TCN。该模型采用GCN图卷积网络对路网结构进行交通数据的空间依赖关系建模,弥补了LSTN在空间依赖性建模的不足之处。在此基础上，采用了并行时间卷积网络和Transformer网络分别捕获交通数据的短期和长期时间依赖关系。最后，本文在PeMS03等数据集上进行了实验，实验结果表明模型在进行长短期交通预测时均有优异的性能表现，而且建模了空间依赖性，可以进一步提高预测的准确性。 |
| 作者： | 李扬 |
| 专业： | 计算机技术 |
| 导师： | 任倩倩 |
| 授予学位： | 硕士 |
| 授予学位单位： | 黑龙江大学 |
| 学位年度： | 2023 |
检索历史
应用推荐
